手把手教你处理 JS 逆向之图片伪装

这是「进击的Coder」的第 655 篇技术分享

作者：星安果

来源：AirPython

“

阅读本文大概需要 6 分钟。

”

最近在更新反爬系列相关的内容，这一篇就讲讲最简单的「 图片伪装 」

图片伪装是在网页元素中，将文字、图片混合在一起进行展示，以此限制爬虫程序直接获取网页内容

目标对象：

aHR0cHM6Ly93d3cuZ3hyYy5jb20vam9iRGV0YWlsL2Q2NmExNjQxNzc2MjRlNzA4MzU5NWIzMjI1ZWJjMTBi

1 - 分析

打开页面，分析页面发现网页源码中的电话号码默认是隐藏保护的

并且要查看电话号码，必须先通过账号进行登录操作

完成登录后，点击页面上的查看按钮会调用一个接口，随后电话号码就完全展示出来了

https://**/getentcontacts/b2147f6a-6ec7-403e-a836-62978992841b

PS：该 URL 地址中 b2147f6a-6ec7-403e-a836-62978992841b 在网页源码中可以获取，与企业一一对应

通过下图，我们发现上面接口响应值中的「 tel 」字段可以拼接成一张图片，该图片中的内容与电话号码一致

因此，我们只需要下载这张图片，利用 OCR 进行识别即可以

2 - 实现

由于该网站上的文字图片背景很干净，因此不需要额外的训练来提升文字识别率

首先，我们调用接口获取电话号码一一对应的 tel 字段

import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.4951.64 Safari/537.36',
    'Cookie': '***'
}

# 获取手机号码对应的tel字段id（一一对应）
def get_tel_id():
    # b2147f6a-6ec7-403e-a836-62978992841b对应企业，也是一一对应关系（网页源码）
    url = "https://**/getentcontacts/b2147f6a-6ec7-403e-a836-62978992841b"

    payload = {}

    resp = requests.request("GET", url, headers=headers, data=payload).json()
    tel_id = resp.get("tel")
    return tel_id

然后，利用上面的 tel 字段组成图片 URL 地址

最后，就可以对图片进行文字识别了

这里介绍 2 种方式：

• 百度 OCR

• pytesseract

2-1  百度 OCR

首先，安装依赖包

# 安装依赖包
pip3 install baidu-aip

然后，创建一个用于文字识别的应用，获取应用的 APP_ID、API_KEY、SECRET_KEY 数据

最后，参考官方文档调用下面的方法识别图片，获取手机号码数据

官网文档：

https://cloud.baidu.com/doc/OCR/s/wkibizyjk

from aip import AipOcr

def get_phone(tel_id):
    """
    百度OCR识别图片，获取文字内容
    :param tel_id:
    :return:
    """
    url = f'https://www.**.com/home/Phone/{tel_id}'
    APP_ID = '262**'
    API_KEY = '1btP8uUSzfDbji**'
    SECRET_KEY = 'NGm6NgAM5ajHcksKs0**'
    client = AipOcr(APP_ID, API_KEY, SECRET_KEY)
    result = client.basicGeneralUrl(url)
    # {'words_result': [{'words': '0771-672**'}], 'words_result_num': 1, 'log_id': 1527210***}
    print('识别到的手机号码为：', result)

2-2 pytesseract

同样，我们需要先安装文字识别、图片处理的依赖包

# 安装依赖包
pip3 install pillow
pip3 install pytesseract

然后，根据图片 URL 地址获取图片字节流，最后利用 pytesseract 识别图片中文字即可

import io
import pytesseract
import requests
from PIL import Image

if __name__ == '__main__':
    # 获取手机号码的URL地址
    image_url = f'https://www.**.com/home/Phone/{get_tel_id()}'

    resp = requests.get(image_url, headers=headers)

    # images.content: 获取图片的二进制字节流
    # io.BytesIO(): 操作处理二进制数据
    # Image.open(): 打开图片字节流，得到一个图片对象
    images_c = Image.open(io.BytesIO(resp.content))

    # 利用pytesseract识别出图片中的字符串，即为手机号码
    phone = pytesseract.image_to_string(images_c)

    print(f'联系方式: {phone}')

以上就是应用图片伪装常规的处理方式，我们只需要找出图片的生成规则，然后利用 OCR 进行识别成文本，最后组装在一起即可

End

崔庆才的新书《Python3网络爬虫开发实战（第二版）》已经正式上市了！书中详细介绍了零基础用 Python 开发爬虫的各方面知识，同时相比第一版新增了 JavaScript 逆向、Android 逆向、异步爬虫、深度学习、Kubernetes 相关内容，‍同时本书已经获得 Python 之父 Guido 的推荐，目前本书正在七折促销中！

内容介绍：《Python3网络爬虫开发实战（第二版）》内容介绍

扫码购买

点个在看你最好看